Sobre el proyecto

# Nowcasting de Volatilidad con Datos de Mercado + Noticias Este proyecto predice la volatilidad realizada del S&P 500 a corto plazo (H=5 días hábiles) combinando características de mercado (rendimientos, volatilidades realizadas, rangos de precios) con señales de noticias agregadas diariamente (sentimiento FinBERT + embeddings). ## Planteamiento del Problema El pronóstico de volatilidad a corto plazo es central para la gestión de riesgos (VaR, colchones de capital), estrategias de trading (arbitraje de volatilidad, cobertura) y fijación de precios de derivados (opciones, productos estructurados). La tarea es estimar la varianza realizada (RV) durante los próximos H días hábiles utilizando tanto datos de mercado como sentimiento de noticias textuales. El modelo apunta a log(1 + RV) para estabilidad y transforma de vuelta a volatilidad para interpretación. ## Enfoque de Ciencia de Datos - **Datos**: Rendimientos diarios del S&P 500, volatilidad realizada, rangos máximos-mínimos, más sentimiento de noticias agregado diariamente y embeddings de FinBERT - **Objetivo**: Varianza realizada durante H=5 días hábiles, modelada como log(1+RV_H) - **Validación**: Validación cruzada de tiempo expandido con embargo para evitar fugas de look-ahead por horizontes superpuestos - **Métricas**: R² (ajuste a magnitud), IC (correlación de rango de Spearman, habilidad de ordenamiento), QLIKE (pérdida de volatilidad robusta) - **Interpretación**: Convierte de vuelta a volatilidad diaria y anualizada (σ_diaria = √(RV_H / H), σ_anual ≈ σ_diaria × √252) ## Características Clave - Conjunto de características híbrido que combina datos de mercado y sentimiento de noticias - Validación cruzada de tiempo expandido con embargo robusta - Panel interactivo de Streamlit que muestra verdad vs predicción fuera de pliegue, volatilidad derivada diaria/anualizada, e IC y R² móviles de 63 días - Pipeline completo desde procesamiento de datos hasta entrenamiento y evaluación de modelos - Dockerfile ligero para ejecuciones contenerizadas - Verificaciones de CI y pruebas automatizadas ## Demo en Vivo - **Aplicación Streamlit**: Disponible en el enlace en vivo en el repositorio - **Notebook Colab**: Notebook ejecutable para exploración completa del pipeline ## Vista Previa de Resultados Ejemplo de pronóstico más reciente: σ anualizado (H=5) de 17.9%, RV_H ≈ 0.000637, σ_diaria ≈ 1.13%. ## Cómo Ejecutar Localmente Clona el repositorio, instala dependencias y ejecuta la aplicación: ```bash git clone https://github.com/ingo-stallknecht/volatility-nowcasting.git cd volatility-nowcasting pip install -r requirements.txt streamlit run app.py ```